-
期刊概述
A Scheduling Strategy for Reduced Power Consumption in Mobile Edge Computing[1]
-
研究背景
目前,业界对于边缘计算存在两大问题。其一是减少任务的延迟。另一个是降低能耗。本文致力于节省系统的能耗,以提供移动边缘计算中的高效调度策略。
本文的目标是在满足资源和延迟约束的同时,降低边缘节点的能耗。首先通过将边缘节点虚拟化为基于睡眠能耗模式的主节点和从节点来处理该问题。之后,本文提出了一种调度策略,通过均衡虚拟节点的资源,在降低能耗的同时保证了用户的时延。仿真结果表明,本文策略可以有效地降低边缘系统的能耗。在空闲任务的测试中,最高能耗比原算法降低了27.9 %。
-
研究现状
目前,很多论文都有关注边缘计算中的能耗问题。然而,关于这个方面的研究仍存在一些不足。例如,基于机器学习的调度策略和新通信链路的加入都会增加边缘计算架构的负担。更重要的是,这些工作大多只专注于降低能耗,却忽略了任务的最大可容忍延迟。这些研究都是试图在调度算法上给出一个最优解,并没有尝试边缘设备本身的节能功能。
本文提出了一种基于设备休眠模式调度算法来降低边缘设备能耗的新思路。基于此,在不增加边缘设备能耗占比的前提下,降低了系统的整体能耗。
-
方法
网络模型
网络模型由云层、边缘层和用户层组成,如图1所示。云与边缘节点之间的通信通过网关和代理服务器实现。在网络模型中,本文将一个边缘节点划分为两个虚拟节点,分别为主节点(master node)和从节点(slave node)。
图1 边缘计算网络组成架构
能耗模型
对于每个边缘节点,假设存在活跃和休眠两种不同的模式。主设备用于任务调度和执行,从设备仅执行任务,从设备空闲时进入休眠状态。
名称 | 作用 | 能耗 |
活跃模式(active) | 执行任务、进行任务调度 | Pa = k·C +b b为空闲状态下边缘节点的功耗;k为拟合边缘节点功耗曲线的系数;C代表cpu使用率 |
睡眠模式(sleep) | 仅为存储器和可用于唤醒的相关设备的保留电源 | Ps为一个常数。对于普通的PC机,这个功耗约为4.5W。 |
主从模式和非主从模式下的功耗对比如图2所示。在边缘结点占有率小于1400MIPS时,主从模式的功耗远小于非主从模式的功耗。
图2主从模式和非主从模式下的功耗对比
任务模型
任务的产生抽象成是由传感器产生的,假设同时到达的任务相互独立,且服从正态分布,且任务大小相同。一个任务循环可能在智能手机内部完成,也可能通过边缘节点完成,也可能通过云端完成。
调度策略
算法基本思想:尽可能地触发从设备的睡眠模式以降低边缘节点的功耗,并尽可能地负载均衡资源以保证低延迟。
如果该节点上没有任务在执行,优先放在主节点。如果有任务在执行,就计算该节点的相对空闲度,如果相对空闲度小于1,说明从节点比较空闲,就优先放在从节点;否则,优先放在主节点。
代码 | 我的理解 |
![]() | ![]() |
-
实验结果
如图3所示,横轴代表时间间隔的平均值。随着时间间隔增加(这代表任务密度减小),主从模式对功耗改进有明显的优势,最高功耗下降了27.9%。但是任务密度越来越大,主从模式和非主从模式的功耗之间的差距减小,趋于相同。
但是本文模型在时延上有一定的副作用。任务密度大时,时延差别不大;任务密度减小时,会增加一定的时延。功耗节省比例均大于时延增加比例。
总体来说,节省的能耗还是要大于延迟带来的一点儿副作用。
![]() 图3 能耗对比 | ![]() 图4 时延对比 |
-
个人小结
这篇论文致力于降低能耗,但是没有像之前的研究,在调度策略上大做文章,而且将边缘结点虚拟为主节点和从节点。但是该算法只在任务数量较少时起到降低能耗的作用,随着任务数量增多,效果不明显,还会带来时延上的副作用。
我认为,在调度算法中,只考虑了将任务分给主节点或从节点或云端,但是主节点和从节点都是虚拟出来的,实际上都是一个结点,本文没考虑主节点和从节点一起完成任务。
-
参考文献
[1] Fang J, Chen Y, Lu S. A Scheduling Strategy for Reduced Power Consumption in Mobile Edge Computing[C]//IEEE INFOCOM 2020 - IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS). 2020: 1190-1195.